[发明专利]一种行为识别方法、装置及计算机存储介质

权利要求书

1.一种行为识别方法，其特征在于，所述方法包括：

获取压缩视频码流文件中的关键帧数据和非关键帧数据，其中，所述非关键帧数据包括：运动矢量和残差，所述关键帧数据为RGB帧数据；

根据所述残差，获得累加残差数据；

根据所述运动矢量，获得累加运动矢量；

将所述RGB帧数据、所述累加运动矢量和所述累加残差数据作为深度学习模型的输入，获得所述深度学习模型的行为特征向量；

将所述深度学习模型输出的所述行为特征向量输入SVM分类器中进行行为预测；

获取行为预测分类结果。

2.根据权利要求1所述的行为识别方法，其特征在于，所述获取压缩视频码流文件中的关键帧数据和非关键帧数据的步骤，包括：

采用媒体文件转换工具对所述压缩视频码流文件进行解码，获得关键帧数据，并抽取非关键帧的运动矢量和残差。

3.如权利要求1或2所述的行为识别方法，其特征在于，所述根据所述运动矢量，获得累加运动矢量的具体表达为，包括：

或者，

其中，

其中，表示第t帧的位置i的像素块在第p帧中的运动矢量，p≤t，φ_i^(t,k)表示第t帧的位置i的像素块从第k帧到第t帧的累加运动矢量，η_i^(t,k)表示第t帧的位置i的像素块从第t帧回溯到第k帧的参考位置。

4.如权利要求3所述的行为识别方法，其特征在于，所述根据所述残差，获得累加残差数据所采用的具体公示表达为：

其中，为第t帧中的第i个像素块的累加残差，为第t帧中的第i个像素块的残差，该像素块在t-1帧的回溯位置为相应的残差为

5.如权利要求1所述的行为识别方法，其特征在于，所述将所述RGB帧数据、所述累加运动矢量和所述累加残差数据作为深度学习模型的输入，获得所述深度学习模型的行为特征向量的步骤，包括：

获取每一非关键帧对应的累加运动矢量、每一非关键帧对应的残差数据；

将所述RGB帧数据、每一非关键帧对应的累加运动矢量、每一非关键帧对应的残差数据组成输入序列；

将所述输入序列作为深度学习模型的输入，并获得所述深度学习模型的行为特征向量。

6.如权利要求1-2、4-5任一项所述的行为识别方法，其特征在于，所述根据分类模型，对所述特征向量进行分类，获得分类结果的步骤，包括：

根据支持向量机SVM，对所述特征向量进行分类，获得分类结果。

7.如权利要求6所述的行为识别方法，其特征在于，深度学习模型的训练过程包括：

获取多类行为对应的测试数据集，其中，所述测试数据集包括：RGB帧数据、累加运动矢量和累加残差数据；

构造输入层：用于确定输入层的神经元个数，并接收测试数据集；

构造卷积层：构造卷积层是对卷积核的大小和步长进行确定，根据输入数据规模的大小和数据的类型来确定卷积核的大小；

构造下采样层，用于完成对池化尺寸和步长以及池化类型的确定；

构造全连接层；

连接方式为：输入层、卷积层、采样层、卷积层、采样层、卷积层、全连接层；

在模型精度不小于预设值，确定当前神经网络为可用模型。

8.一种行为识别装置，其特征在于，所述装置包括处理器、以及通过通信总线与所述处理器连接的存储器；其中，

所述存储器，用于存储行为识别程序；

所述处理器，用于执行所述行为识别程序，以实现如权利要求1至7中任一项所述的行为识别步骤。

9.一种计算机存储介质，其特征在于，所述计算机存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以使所述一个或者多个处理器执行如权利要求1至7中任一项所述的行为识别步骤。